VeMo：基于全渗透率的个体级透明车辆移动性建模
网络与互联网体系结构
2018-12-20 v3
摘要
理解与预测高速公路上实时车辆移动模式对于缓解交通拥堵与应急响应至关重要。然而，几乎所有现有工作（例如基于手机、车载设备或交通摄像头）都存在成本高、渗透率低下或仅给出聚合结果等缺陷。为克服这些不足，我们利用电子不停车收费系统（ETC）作为大规模传感器网络，设计了一个称为 VeMo 的系统，以全渗透率在个体级别透明地建模与预测车辆移动性。我们的创新在于如何基于一个关键的数据驱动洞察——即个体驾驶行为在特定时空背景下与驾驶员群体强相关，并可结合个人习惯与上下文信息来预测——解决由稀疏隐式 ETC 数据引起的不确定性问题（即未知路线与速度）。更重要的是，我们使用（i）一个大规模 ETC 系统，其在 773 个高速公路入口与出口设有跟踪设备，每日捕获超过 200 万辆车；（ii）一个由 11.4 万辆带 GPS 数据的车辆组成的车队作为真值，对 VeMo 进行了评估。我们将 VeMo 与最先进的基准移动模型进行比较，实验结果表明 VeMo 在准确率上平均优于它们 10%。
引用
@article{arxiv.1812.02780,
title = {VeMo: Enabling Transparent Vehicular Mobility Modeling at Individual Levels with Full Penetration},
author = {Yu Yang and Xiaoyang Xie and Zhihan Fang and Fan Zhang and Yang Wang and Desheng Zhang},
journal= {arXiv preprint arXiv:1812.02780},
year = {2018}
}
备注
This is a pre-print version to appear in the 25th Annual International Conference on Mobile Computing and Networking (MobiCom'19)